网络理解

卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成

（博客：https://blog.csdn.net/qq_30979017/article/details/79506593）

写得很不错呀，哈哈哈

1、卷积层的作用：用它来进行特征提取

有一个特性是：权值共享（只是在每一个filter上的每一个channel中是共享的；）

补充一下：对于多通道图像做1*1卷积，其实就是将输入图像的每个通道乘以系数后加在一起，即相当于将原图中本来各个独立的通道“联通”在了一起；

2、池化层的作用：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；另一方面进行特征压缩，提取主要特征

注意：pooling操作使特征图缩小，有可能影响网络的准确度，因此可以通过增加特征图的深度来弥补

3、全连接层的作用：连接所有的特征，将输出值送给分类器（如softmax）

另外：CNN网络中的前几层的卷积层的参数量占比小，计算量占比大；而后面的全连接层正好相反，大部分的CNN都有这个特点。

在进行网络计算优化时，重点放在卷积层；

进行参数优化、权值裁剪时，重点放在全连接层。